Сколтех: разработали алгоритм машинного обучения, оценивающий запасы углерода в лесах

Ученые Сколтеха совместно с коллегами из Иркутского национального исследовательского технического университета и Института искусственного интеллекта AIRI разработали алгоритм машинного обучения, который позволяет по спутниковым снимкам определять характеристики лесов и оценивать количество запасенного в них углерода. Особенность разработки заключается в том, что система не только выдает прогноз, но и показывает степень его достоверности. Об этом "Газете.Ru" сообщили в пресс-службе образовательного учреждения.

Леса играют важную роль в регулировании климата, поскольку поглощают углекислый газ из атмосферы и накапливают углерод в древесине и других тканях растений. Чтобы оценивать вклад лесов в сдерживание климатических изменений, ученым необходимо регулярно отслеживать их состояние, однако традиционные наземные обследования требуют значительных затрат времени и ресурсов.

Для создания новой модели исследователи использовали данные лесничеств, спутниковые снимки Sentinel-2 и топографические карты Корсаковского, Невельского и Холмского лесов Сахалинской области. На основе этих данных были обучены несколько алгоритмов машинного обучения, включая XGBoost, Random Forest и TabNet. Система способна определять преобладающие породы деревьев, их возраст, высоту, а также запасы древесины и углерода.

Главным отличием новой разработки стала возможность оценивать неопределенность прогнозов. Для этого ученые адаптировали метод конформного предсказания, который позволяет рассчитывать доверительные интервалы для каждого результата.

"Модель выдает не одну цифру, а диапазон значений, соответствующий заданному уровню точности. Более того, этот интервал меняется в зависимости от сложности местности. На неоднородных участках леса погрешность увеличивается, и алгоритм показывает это пользователю", — рассказала руководитель исследовательской группы Центра искусственного интеллекта Сколтеха Светлана Илларионова.

Испытания показали, что наиболее точным оказался алгоритм XGBoost. Он определял преобладающую породу деревьев с точностью 83%, а возраст насаждений — с точностью около 70%. При оценке запасов древесины и углерода точность составила 53–63%.

"Разработанный инструмент сочетает спутниковые данные с алгоритмами оценки неопределенности для оперативного прогнозирования характеристик леса. Такой подход позволяет не только получать пространственно распределенные оценки параметров леса, но и количественно оценивать достоверность результатов", — отметил профессор Центра искусственного интеллекта Сколтеха Александр Бернштейн.

В дальнейшем исследователи планируют масштабировать технологию и адаптировать ее для работы в других лесных экосистемах. Разработка может использоваться для мониторинга лесных ресурсов, оценки влияния климатических изменений на леса и уточнения прогнозов углеродного баланса территорий.